圖神經網絡框架DGL學習 102——圖、節點、邊及其特徵賦值

101（入門）以後就是開始具體逐項學習圖神經網絡的各個細節。下面介紹：
1.如何構建圖
2.將特徵賦給節點或者邊，及查詢方法
這算是圖神經網絡最基礎最基礎的部分了。

一、如何構建圖

DGL中創建的圖的方法有：
1. 通過（u, v），u和v分別爲起始節點和終止節點的列表，可以是numpy矩陣也可以是tensor
2. scipy中的稀疏矩陣，該稀疏矩陣儲存這圖的鄰接矩陣
3. networkx圖對象轉化
4. 逐步添加節點與邊

先導入所有可能需要的模塊

import networkx as nx
import dgl
import torch as th
import numpy as np
import scipy.sparse as spp

1. 通過起始節點u和終止節點v的列表構建圖

u = th.tensor([0,0,0,0,0]) #起始節點
v = th.tensor([1,2,3,4,5]) #終止節點
star1 = dgl.DGLGraph((u,v))
nx.draw(star1.to_networkx(), with_labels=True) #可視化
# plt.show()

結果如下圖：

如果u、v之一是標量，那麼DGL會自動使用boadscat機制，適應數組的長度

plt.clf()
u = th.tensor(0)
v = th.tensor([1,2,3,4,5])
star2= dgl.DGLGraph((u,v))
nx.draw(star2.to_networkx(), with_labels=True)

結果與上圖類似

2. scipy中的稀疏矩陣，該稀疏矩陣儲存這圖的鄰接矩

稀疏矩陣是圖的鄰接矩陣

u = th.tensor([0,0,0,0,0])
v = th.tensor([1,2,3,4,5])
adj = spp.coo_matrix((np.ones(len(u)), (u.numpy(), v.numpy()))) #稀疏矩陣
star3 = dgl.DGLGraph(adj)
nx.draw(star3.to_networkx(), with_labels=True)
plt.show()

結果如上圖

3.networkx圖對象轉化

DGL中的圖與networkx中的圖是可以相互轉化的

g_nx = nx.petersen_graph() #networkx內置的彼得森圖
g_dgl = dgl.DGLGraph(g_nx) #生成dgl的圖

import matplotlib.pyplot as plt
plt.subplot(121)
nx.draw(g_nx, with_labels=True)
plt.title('Networkx')
plt.subplot(122)
nx.draw(g_dgl.to_networkx(), with_labels=True)
plt.title('DGL')
plt.show()

結果如下圖，可以看出二者等價。

4. 逐步添加節點與邊

plt.clf()
g = dgl.DGLGraph()
g.add_nodes(10)
for i in range(0,5):
    g.add_edge(i, 0) #逐個添加邊
src = list(range(5,8))
dst = th.tensor([0]*3)
g.add_edges(src, dst) #根據邊起點，終點，一次性添加多條邊
src = th.tensor([8,9])
dst = th.tensor([0,0])
g.add_edges(src, dst)
nx.draw(g.to_networkx(), with_labels=True)
plt.show()

結果如下：

二、將特徵賦給節點或者邊，及查詢方法

先構建一個圖

g = dgl.DGLGraph()
g.add_nodes(10)
for i in range(0,10):
    g.add_edge(i, 0) #逐個添加邊

將特徵分配到節點或者邊，使用字典的格式存儲 {名字：特徵張量}，稱之爲fields。
ndata是訪問圖中節點數據的語法，類似於數組，通過切片訪問
edata是訪問圖中邊數據的語法，類似於數組，通過切片訪問

1. 特徵賦給節點或者邊，及查詢方法

x = th.randn(10, 3)
print(x)
g.ndata['x'] = x
print('第0個節點：', g.ndata['x'][0])
print('第1, 2個節點：', g.ndata['x'][[1, 2]])
print('第1, 2個節點：', g.ndata['x'][th.tensor([1, 2])])

print('圖中邊的數量：', len(g.edata)) #沒有賦值之前是空的
g.edata['w'] = th.randn(10, 2)
print(g.edata['w'])
print('第0個邊：', g.ndata['x'][0])
print('第1, 2個邊：', g.ndata['x'][[1, 2]])
print('第1, 2個邊：', g.ndata['x'][th.tensor([1, 2])])
#通過邊的起始節點和終止節點的ID進行訪問
print('起始節點爲1，終止節點爲0的邊：', g.edata['w'][g.edge_id(1, 0)])
print('起始節點分別爲1，2，3，終止節點均爲0的邊：', g.edata['w'][g.edge_ids([1,2,3,], 0)])
print('起始節點分別爲1，2，3，終止節點均爲0的邊：', g.edata['w'][g.edge_ids([1,2,3,], [0,0,0])])

g.ndata['feats'] = th.zeros((10, 4))
print(g.node_attr_schemes()) #輸出圖中每一個特徵shape等信息

#刪除節點或者邊的數據
g.ndata.pop('feats')
print(g.node_attr_schemes()) #輸出圖中每一個特徵shape等信息

2.存在重複的邊的情況

有的圖可能存在兩條重合的邊，例如：1->0

lt.clf()
g_mutil = dgl.DGLGraph()
g_mutil.add_nodes(10)
g_mutil.ndata['x'] = th.randn(10, 2)
g_mutil.add_edges(list(range(1,10)),0) #圖中只有9條邊
g_mutil.add_edge(1,0) #再次添加一條1->0的邊，此時有兩條邊了, 分別爲第一條邊和最後一條邊
# 此時圖中共計10條邊
g_mutil.edata['w'] = th.randn(10, 2)
print('第一條邊數據：', g_mutil.edges[0].data['w'])
print('最後一條邊數據', g_mutil.edges[9].data['w'])

g_mutil.edges[0].data['w'] = th.zeros(1, 2) #修改第一條邊的數據
print('第一條邊數據：', g_mutil.edges[0].data['w'])
print('第一條邊數據：', g_mutil.edges[0].data)

一些節點和邊的調用方法：

#所有的邊
print(g_mutil.edges())

#所有的邊
print(g_mutil.nodes())

#根據節點找邊
eid_10 = g_mutil.edge_id(1, 0, return_array=True)
print(eid_10)
g_mutil.edges[eid_10].data['w'] = th.ones(len(eid_10), 2)
print(g_mutil.edata['w'])

nx.draw(g_mutil.to_networkx(), with_labels=True)
plt.show()